RecherchearXiv cs.RO 29 juillet 2026

FIRMGrasp : une marge de risque tenant compte du frottement pour une synthèse de prise robuste

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche présente FIRMGrasp, une nouvelle famille de métriques de qualité de préhension robotique fondée sur la mesure de risque CVaR (Conditional Value-at-Risk), dans un article publié le 25 juillet sur arXiv. Contrairement aux métriques classiques comme l'epsilon de Ferrari-Canny, qui supposent un coefficient de friction unique et déterministe, FIRMGrasp évalue la marge de force-closure au point le plus défavorable de la distribution de friction, produisant une marge ajustée au risque notée epsilon^(bêta). Les chercheurs démontrent sa monotonie selon le niveau de confiance bêta, sa différentiabilité par rapport aux paramètres de préhension, et un certificat probabiliste garantissant la fermeture de force avec une probabilité au moins égale à bêta. Sur un jeu de 1599 préhensions testées avec des mains robotiques LEAP Hand et Allegro Hand, 53% des prises jugées fiables par la métrique Ferrari-Canny perdent en réalité leur fermeture de force dans les conditions de friction défavorables.

Ce résultat est significatif pour l'industrie de la préhension robotique car il expose une faille méthodologique répandue dans l'évaluation des grippers et mains articulées : les métriques standards surestiment systématiquement la robustesse des prises face à l'incertitude réelle des surfaces de contact. Concrètement, epsilon^(bêta) prédit mieux les échecs observés que la métrique nominale, avec des probabilités de discrimination de 0,63 et 0,78 contre 0,53 et 0,67 pour distinguer respectivement les échecs de secousse (shake) et de prise (pick) réussis. Dans des essais de levage simulés avec gravité activée et un coefficient de friction dégradé à 0,2, les prises validées par epsilon^(bêta) atteignent un taux de réussite de 70% sous traction latérale, contre seulement 25% pour les prises validées uniquement par la marge classique. Pour les intégrateurs et concepteurs de systèmes de préhension, cela suggère qu'intégrer une marge de risque friction-dépendante dès la phase de planification de prise réduirait sensiblement les échecs en conditions réelles, où la friction des surfaces varie selon l'usure, l'humidité ou les matériaux manipulés.

Le travail s'inscrit dans la lignée des recherches sur la synthèse de préhension robuste, un domaine où les métriques analytiques historiques comme celle de Ferrari-Canny font référence depuis des décennies mais peinent à capturer l'incertitude physique réelle. Les auteurs comparent leur approche à des méthodes différentiables récentes, positionnant FIRMGrasp comme une alternative directement intégrable dans des pipelines d'optimisation de préhension existants, sans changement matériel requis.

Dans nos dossiers

Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

Conditionnement sur le futur tenant compte de la fiabilité pour une manipulation robotique robuste dans le temps

Des chercheurs publient sur arXiv (2610.11956) une méthode appelée Reliability-Aware Future Conditioning (RAFC). Elle s'attaque à un point faible des politiques robotiques guidées par des vidéos générées de la tâche à venir: le décalage temporel entre le clip reçu et la phase réelle d'exécution. Sur le benchmark simulé CALVIN, un décalage anticipé de seulement cinq images fait chuter le taux de succès de 81,3 % à 54,8 %, soit presque le niveau sans vidéo (54,0 %). Des décalages imposés le ramènent à 34,2 %, soit 19,8 points sous la politique sans futur. RAFC s'appuie sur Future-Experience Conditioning (FEC), qui construit le clip une seule fois à partir d'un ancrage de la tâche, d'un rollout de jumeau numérique sans robot et d'une diffusion vidéo sans masque. À chaque pas, RAFC estime le degré de confiance à accorder au clip et l'hypothèse temporelle voisine à privilégier. Il bascule vers une branche statique si aucune ne convient. Ces deux estimations sont apprises uniquement à partir de la récompense de la tâche, sans étiquettes de décalage. Sur un Franka avec un décalage de timing naturel, non imposé, le succès agrégé passe de 26,7 % à 56,7 %. L'intérêt est de reformuler le problème: la qualité de génération ne suffit pas, il faut contrôler la façon dont le futur généré est consommé. Un clip cohérent avec la tâche mais mal aligné devient nuisible, un risque que les démonstrations en conditions idéales ne montrent pas. Pour les équipes qui intègrent des modèles vidéo dans leurs piles de manipulation, la latence d'inférence et les écarts de cadence entre génération et exécution sont donc des modes de défaillance de premier ordre. Les auteurs précisent aussi que l'essentiel du gain près de l'alignement vient de l'ensemble de candidats. L'apport propre de la fiabilité apprise est de 7,0 points par rapport à une moyenne uniforme, sous décalages hors grille. Ce travail s'inscrit dans la lignée des approches qui utilisent la prédiction vidéo comme planificateur pour des politiques vision-langage-action. Il reste de la recherche académique: aucun produit ni déploiement n'est annoncé. Les résultats portent sur des jeux de tâches limités. Les pourcentages du test Franka suggèrent un échantillon réduit, de l'ordre de la trentaine d'essais, ce qui invite à la prudence. Les auteurs promettent de publier l'ensemble des ressources sur future-condition.github.io. La suite logique sera une validation sur davantage de plateformes, de tâches longues et de conditions industrielles réelles.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

Certification du torseur résiduel et synthèse de commande tenant compte des marges pour l'interaction physique aérienne

Des chercheurs publient sur arXiv (2609.38707v1) un cadre théorique pour certifier l'autorité résiduelle en force et couple (« residual wrench ») d'un multirotor aux actionneurs bornés, une fois la sustentation et la charge de contact prises en compte. Par géométrie convexe, ils calculent des marges signées pour des réserves convexes prescrites, boules euclidiennes ou ellipsoïdes pondérés. Des certificats calculables, issus de bornes d'intériorité des actionneurs, alimentent une allocation qui maximise la marge. Pour préserver la réserve exigée, les commandes sont projetées sur un ensemble admissible resserré. Cette réserve est ensuite reliée à une synthèse de gains structurée, qui certifie une région locale de suivi respectant les limites des actionneurs. Dans cette région, les auteurs établissent une convergence exponentielle nominale et une bornitude ultime robuste. Pour la tâche et la famille de morphologies retenues, un octorotor optimisé obtient une marge supérieure à celle d'un hexarotor optimisé, à poussée totale égale. La validation reste entièrement numérique : simulations en boucle fermée d'un contact soutenu contre un mur rigide, avec un octorotor à géométrie fixe et un quadrirotor à inclinaison variable, à poussée installée équivalente. Le certificat local du quadrirotor admet une limite de poussée normalisée plus élevée pour la famille de tâches considérée. Au-delà des frontières de réalisabilité, la perte d'autorité observée correspond aux prédictions : saturation de poussée des rotors pour l'octorotor, limites des servomoteurs d'inclinaison pour le quadrirotor. Aucun essai matériel ni chiffre de payload n'est mentionné, et les conclusions valent pour la tâche et les morphologies prescrites, pas pour les drones en général. L'intérêt tient à ce que la manipulation aérienne, notamment l'inspection par contact d'ouvrages ou le travail en hauteur, se juge souvent sur des démonstrations sans garantie formelle de marge restante. Un certificat qui indique d'avance combien d'effort un drone peut encore exercer, et par quel actionneur il décrochera, aide les intégrateurs à dimensionner une plateforme et à fixer des limites opérationnelles. Le résultat contredit aussi l'intuition selon laquelle plus de rotors fixes l'emporte toujours : un quadrirotor à inclinaison variable peut offrir une meilleure limite de poussée normalisée qu'un octorotor, au prix d'une dépendance aux servomoteurs. Ce travail s'inscrit dans la lignée des recherches sur les multirotors totalement actionnés et l'interaction physique aérienne, où la conception des morphologies et le contrôle sous saturation ont longtemps été traités séparément. La suite logique est une validation expérimentale sur plateforme réelle, seule capable de confirmer que les modèles d'actionneurs et les perturbations de contact tiennent hors simulation. L'article ne cite ni partenaire industriel ni calendrier de pilote.

RecherchePaper

1 source

3arXiv cs.RO

Ancrage sémantique tenant compte des risques pour une planification robotique fiable basée sur les LLM

Des chercheurs proposent un cadre de « Risk-Aware Semantic Grounding » (ancrage sémantique sensible au risque) pour fiabiliser les robots de navigation pilotés par un grand modèle de langage (LLM), et publient sur arXiv (2609.37554v1) un banc d'essai associé, TRUST-NAV. Le problème visé est connu : lorsqu'un LLM sert de planificateur de haut niveau, ses sorties deviennent peu fiables si l'instruction est ambiguë, sans support dans l'environnement ou incohérente sur le plan sémantique. L'architecture estime donc, avant toute planification, trois risques distincts : l'ambiguïté, l'hallucination et le conflit sémantique. Selon ce score, le système choisit entre trois issues : exécuter l'instruction, demander une clarification ou la rejeter. TRUST-NAV réunit des tâches de navigation standard et des scénarios d'instructions volontairement piégées. Les résultats rapportés indiquent que les planificateurs LLM classiques performent bien sur les tâches valides, alors que le cadre proposé améliore nettement la détection d'ambiguïté et le rejet des conflits sémantiques. Le résumé ne fournit ni chiffres, ni modèles testés, ni robot réel : il s'agit d'un travail académique évalué sur benchmark, sans déploiement ni produit. L'intérêt tient au déplacement de la métrique. Jusqu'ici, la plupart des travaux sur les planificateurs LLM et les modèles vision-langage-action (VLA) optimisent la génération de plans et se jugent sur le taux de réussite des tâches. Les auteurs soutiennent qu'un robot fiable se mesure aussi à sa capacité à reconnaître qu'il ne doit pas agir. Pour un intégrateur ou un responsable d'exploitation, c'est un critère de sécurité concret : un AMR ou un humanoïde qui exécute avec assurance une consigne ambiguë ou impossible est un risque opérationnel, pas seulement une erreur de performance. L'approche est aussi modulaire, puisque le filtrage précède la planification et pourrait en principe se greffer sur des planificateurs existants. Il faut toutefois rester prudent : l'absence de chiffres publiés, l'évaluation sur un benchmark créé par les mêmes auteurs et l'écart habituel entre simulation et terrain limitent la portée des conclusions, en particulier sur le coût en fausses alertes, c'est-à-dire les refus ou demandes de clarification inutiles qui ralentissent une exploitation. Ce travail s'inscrit dans la vague des LLM employés comme planificateurs de haut niveau en navigation et en manipulation, où les hallucinations et l'ancrage dans l'environnement restent des points faibles reconnus. Les approches concurrentes reposent sur l'estimation d'incertitude, la prédiction conforme pour déclencher des demandes d'aide, ou des couches de vérification et de garde-fous, tandis que les grands modèles fondation robotiques cherchent surtout à augmenter le taux de réussite. La suite dépendra de la disponibilité de TRUST-NAV pour la communauté, de la reproduction des résultats par des tiers et d'un test sur robot physique, étape que la version 1 du préprint ne mentionne pas.

RecherchePaper

1 source

4arXiv cs.RO

DEAL-Grasp : représentation d'alignement découplée pour une préhension dextérique tenant compte de la géométrie

Publié sur arXiv le 24 septembre 2026 sous la référence 2609.28131, l'article présente DEAL-Grasp, une méthode de génération de prises dextres pour mains articulées, robotiques ou virtuelles, destinée à la réalité virtuelle, l'intelligence incarnée et les humains numériques. Plutôt que de mélanger mouvement rigide global et articulation des doigts dans un même espace comme le font les méthodes existantes, ce qui produit des contacts instables et physiquement implausibles, DEAL-Grasp sépare les deux : la pose de la main est recalculée par un alignement de Procrustes en forme close, sans optimisation itérative, tandis que l'articulation des doigts est préservée. La génération repose sur du flow matching avec régularisation physique pendant l'entraînement, sans optimisation ni guidage physique requis à l'inférence. Sur les benchmarks MultiDex et RealDex, ce dernier testé en zero-shot, la méthode affiche un fort taux de réussite sous perturbation de force, une pénétration minimale entre main et objet, une grande diversité de prises générées, et une latence d'inférence nettement inférieure aux méthodes concurrentes fondées sur l'optimisation. Ce résultat s'attaque à un vrai goulot d'étranglement de la manipulation robotique et de l'animation numérique : la plupart des générateurs de prises dextres nécessitent une optimisation physique coûteuse après génération pour corriger des contacts aberrants, ce qui freine leur usage en temps réel. En supprimant cette étape grâce à un calcul en forme close, DEAL-Grasp réduit la latence, un atout pour la téléopération, la simulation et les mains robotiques multi-doigts des humanoïdes. Cela confirme la montée du flow matching comme alternative à la diffusion pour générer des comportements robotiques rapides et physiquement plausibles. Les résultats restent toutefois limités à des benchmarks académiques et à la simulation ; rien n'indique à ce stade un déploiement sur robot physique. Le travail s'inscrit dans la lignée des méthodes de synthèse de prises par régression ou diffusion, qui couplent pose globale et articulation et recourent à une optimisation physique post-hoc ou à un guidage auxiliaire pour stabiliser les contacts, une contrainte que DEAL-Grasp cherche précisément à éliminer. Il rejoint aussi la tendance à l'adoption du flow matching dans les politiques de contrôle robotique, technique également employée par des modèles VLA comme Pi-0. MultiDex et RealDex servent de bancs d'essai standards du domaine. Publié comme preprint non encore évalué par les pairs, avec code et page projet en ligne, le travail n'annonce pour l'instant aucune validation sur mains robotiques physiques ni calendrier de déploiement.

RecherchePaper

1 source